算法设计与分析之最邻近点对问题

问题描述：

给定平面上的n个点，找出其中的一对点，使得在n个点组成的所有点对中，该点对的距离最小。

算法思路：

看见这个问题，我们第一时间能想出的最笨的方法就是：将每一个点与其他n-1个点的距离算出，找出最小距离，可以见得复杂度很高的，那还有什么办法呢？

一维最接近点问题：

为了使问题易于理解和分析，先来考虑一维的情形。此时， S 中的 n 个点退化为 x 轴上的 n 个实数 x1,x2,…,xn 。最接近点对即为这 n 个实数中相差最小的 2 个实数。

假设我们用 x 轴上某个点 m 将 S 划分为 2 个子集 S1 和 S2 ， 基于 平衡子问题 的思想，用S中各点坐标的中位数来作分割点。

递归地在 S1 和 S2 上找出其最接近点对 {p1,p2} 和 {q1,q2} ，并设 d=min{|p1-p2|,|q1-q2|} ， S 中的最接近点对或者是 {p1,p2} ，或者是 {q1,q2} ，或者是某个 {p3,q3} ，其中 p3∈S1 且 q3∈S2 。

如果 S 的最接近点对是 {p3,q3} ，即 |p3-q3|<d ，则 p3 和 q3 两者与 m 的距离不超过 d ， 即 p3∈(m-d,m] ， q3∈(m,m+d] 。

由于在 S1 中，每个长度为 d 的半闭区间至多包含一个点（否则必有两点距离小于 d ），并且 m 是 S1 和 S2 的分割点，因此 (m-d,m] 中至多包含 S 中的一个点。由图可以看出，如果 (m-d,m] 中有 S 中的点，则此点就是 S1 中最大点。

因此，我们用线性时间就能找到区间 (m-d,m] 和 (m,m+d] 中所有点，即 p3 和 q3 。从而我们用线性时间就可以将 S1 的解和 S2 的解合并成为 S 的解。

二维最接近点问题：

下面来考虑二维的情形。

选取一垂直线 l:x=m 来作为分割直线。其中 m 为 S 中各点 x 坐标的中位数。由此将 S 分割为 S1 和 S2 。

递归地在 S1 和 S2 上找出其最小距离 d1 和 d2 ，并设 d=min{d1,d2} ， S 中的最接近点对或者是 d ，或者是某个 {p,q} ，其中 p∈P1 且 q∈P2 。

  考虑P1 中任意一点 p ，它若与 P2 中的点 q 构成最接近点对的候选者，则必有 distance(p ， q) ＜ d 。满足这个条件的 P2 中的点一定落在一个 d×2d 的矩形 R中。由d的意义可知， P2 中任何 2 个 S 中的点的距离都不小于 d 。由此可以推出矩形 R 中最多只有 6 个 S中的点。

证明:将矩形R的长为2d的边3等分，将它的长为d的边2等分，由此导出6个(d/2)×(2d/3)的矩形。若矩形R中有多于6个S中的点，则由鸽舍原理易知至少有一个(d/2)×(2d/3)的小矩形中有2个以上S中的点。设u，v是位于同一小矩形中的2个点，则

distance(u,v)<d。这与d的意义相矛盾

因此，在分治法的合并步骤中最多只需要检查6×n/2=3n个候选者 

为了 确切地知道要检查哪6个点 ，可以将 p 和 P2 中所有 S2 的点投影到垂直线 l 上。由于能与 p 点一起构成最接近点对候选者的 S2 中点一定在矩形 R 中，所以它们在直线 l 上的投影点距 p 在 l 上投影点的距离小于 d 。由上面的分析可知，这种投影点最多只有 6 个。

因此，若将 P1 和 P2 中所有 S 中点按其 y 坐标排好序，则对 P1 中所有点，对排好序的点列作一次扫描，就可以找出所有最接近点对的候选者。对 P1 中每一点最多只要检查 P2 中排好序的相继 6 个点。

复杂度分析：

T(n)=O(nlogn)

实现代码：

int Partition(point P[], int first, int end){
	//初始化待划分区间
	int i = first, j = end;
	while (i<j)
	{
		//右侧扫描
		while (i<j&&P[i].y <= P[j].y)
		{
			j--;
		}
 
		//将较小的记录换到前面
		if (i<j)
		{
			int temp = P[i].y;
			P[i].y = P[j].y;
			P[j].y = temp;
			i++;
		}
 
		while (i<j&&P[i].y <= P[j].y)
		{
			i++;
		}
 
		if (i<j)
		{
			int temp = P[i].y;
			P[i].y = P[j].y;
			P[j].y = temp;
			j--;
		}
	}
	return i;
}